Компании выбрасывают миллиарды долларов на AI-агентов и инфраструктуру. Цель понятна: трансформировать бизнес-процессы. Но вот беда — результаты в реальных приложениях более чем скромные. Почему? Агенты просто не понимают бизнес-данные, политики и процессы по-настоящему.
Интеграции, конечно, управляются хорошо. API management, model context protocol и другие технологии работают отлично. Но вот чтобы агент действительно «понимал» смысл данных в контексте конкретного бизнеса — это совсем другая история. Представьте: корпоративные данные разбросаны по разным системам, часть структурирована, часть нет. И их нужно анализировать сквозь призму домена конкретной компании.
Вот простой пример. Слово «клиент» в CRM отдела продаж означает одно. А в финансовой системе это может быть исключительно плательщик. «Продукт» для одного отдела — это артикул, для другого — семейство товаров, для третьего — маркетинговый бандл. Мозаика получается сложная. Данные о «продажах продукта» постоянно меняют смысл, нет единой договоренности, как их трактовать. Агенты должны комбинировать информацию из разных источников, но для этого нужно понимать разные «интерпретации» одного и того же термина. Они должны знать: какие данные где брать для какого процесса. И еще — когда в системе меняется схема или скачет качество данных, агент должен понять, как действовать в этой неопределенности.
Плюс — и это важно — нужно строго разделять данные по категориям, например PII (персональные данные). Иначе получишь проблемы с GDPR, CCPA и прочими стандартами. Данные должны быть правильно размечены, а агенты должны эту разметку уважать. Поэтому красивую демку на агентах собрать легко. А вот запустить это в боевых условиях на реальных данных? Это совсем иное дело.
Онтология как якорь истины
Чтобы построить работающее агентское решение, нужна онтология — она станет единственным источником истины. Онтология — это по сути бизнес-определение всех концепций, их иерархия и связи. Она объясняет термины применительно к конкретным сферам, помогает установить единый стандарт для данных, фиксирует названия полей и применяет классификации. Может быть узкоспециальной (скажем, для здравоохранения или финансов) или специфичной для конкретной организации.
Да, онтология с нуля — это долго и хлопотно. Но зато результат — стандартизированные бизнес-процессы и крепкий фундамент для AI-агентов. Реализовать это можно через триплстор или, если бизнес-правила посложнее, через property graphs, например Neo4j. Такие графы еще и помогают находить новые связи, отвечать на хитрые вопросы. Правда, готовые онтологии — FIBO для финансов, UMLS для медицины — они есть в открытом доступе. Хороший старт. Но обычно их нужно кастомизировать под конкретное предприятие.
С чего начать
Когда онтология готова, она становится мозгом агентов. Даешь агентам команду: работайте в рамках онтологии, используйте ее для поиска данных и связей. Если надо — агентский слой может сам выдавать ключевые детали онтологии и искать информацию. Бизнес-правила и политики вшиваются прямо в онтологию. Вот так агентов и приземляют, вставляют им подguardrails, основанные на реальном контексте.
Агенты, которые настроены следовать онтологии, держат курс, не начинают галлюцинировать — ну вы знаете, как LLM любят фантазировать. Пример: политика гласит, что статус кредита переходит в «approved» только если все связанные документы помечены как «verified: true». Агент работает по этому правилу, понимает, какие документы нужны, ищет их в knowledge base.
Вот как это может выглядеть в действии:
(Оригинальная схема)
Структурированные и неструктурированные данные обрабатывает агент анализа документов (DocIntel), он заполняет Neo4j базу данных согласно онтологии домена. Агент поиска данных в Neo4j находит нужную информацию и передает ее другим агентам, которые выполняют бизнес-процессы. Общение между агентами идет через протоколы вроде A2A. Новый протокол AG-UI помогает строить универсальные интерфейсы для вывода работы агентов.
Такой подход убирает галлюцинации: агенты двигаются по онтологии-драйвам, соблюдают классификацию и связи. Масштабируется просто: добавляешь новые активы, связи, правила — агенты автоматически им подчиняются. Контролируешь галлюцинации, не настраивая каждый агент отдельно, а написав правила для всей системы. Beispiel: агент выдумал покупателя? Ищем для этого «клиента» связанные данные в базе — а их нет. Аномалия обнаружена, проблема решена. Система растет вместе с бизнесом, адаптируется к его переменам.
Да, такая архитектура добавляет нагрузку на обнаружение данных и работу с графовыми базами. Но для крупного предприятия это окупается правильными guardrails и ясным путем для агентов в непростых бизнес-процессах.
Агенты без понимания данных — это просто красивые демки. Но когда их заземляют онтологией, они становятся реально полезным инструментом для бизнеса.🔔 Чтобы разобраться в AI-агентах, онтологиях и остальных достижениях искусственного интеллекта, подпишитесь на мой канал «ProAI» в Telegram!